基于人工神经网络的自适应电压控制方法——运用多层感知器与径向基函数结构及反向传播学习算法的混合Zeta型DC/DC变换器控制

《IEEE Access》：Artificial Neural Network–Based Adaptive Voltage Control of a Hybrid Zeta DC/DC Converter Using Multilayer Perceptron and Radial Basis Function Architectures with Back-Propagation Learning

　　

摘要：

本文提出了利用基于反向传播（BP）学习方法的人工神经网络算法，对Zeta混合式DC/DC升压转换器的输出电压进行设计和控制，该转换器是推动清洁能源技术发展的关键组件。所提出的人工神经网络控制方法包括多层感知器（MLP）和径向基函数（RBF）方法，且可在在线和离线监督模式下使用。这种控制方法的第一个创新点在于它包含四个输入单元，分别是输入电压、参考输出电压、输出电压与参考值之间的差异，以及输出电压误差的累积值。通过引入输出电压误差的积分，该人工神经网络具备了比例积分（PI）控制功能，同时还能利用输入电压实现自适应控制。神经网络的输出则对应于转换器的占空比。在所提出的方法中，通过电压反馈信号构建递归神经网络。第二个创新点是将输入电压反馈纳入人工神经网络结构中，从而实现实时调整并提高抗干扰能力。此外，还提出了一种基于Levenberg-Marquardt算法的离线人工神经网络控制策略，以加快降压模式下的收敛速度。MATLAB仿真结果表明，采用所提出的控制方法后，Zeta混合式DC/DC升压转换器的输出电压能够准确跟踪其参考值。即使在输入电压或输出负载出现波动和干扰时，输出电压仍能保持在其工作点附近稳定。此外，通过随机改变输入电压值，还验证了该转换器的泛化能力。使用BP离线算法、BP在线算法、RBF在线算法和PI算法处理参考直流电压干扰时，计算得到的误差分别为0.05、0.1、0.16……

查看更多